一种城市轨道交通短期客流动态预测方法技术

本发明专利技术涉及一种城市轨道交通短期客流动态预测方法，基于传统客流预测方法与实际客流数据，产生预测时间区间的预测误差序列，采用逆向云发生器，建立预测误差云模型，采用正态云发生器，产生预测误差正态云滴分布图，利用分位数原理计算给定置信水平下的云滴分位数和与之相对应的客流量可能发生波动的置信范围，然后根据不确定性区间进行下一时刻的客流预测。本发明专利技术所提出的城市轨道交通短期客流动态预测方法可以实现城市轨道交通短期客流预测的不确定性分析，提高短期客流预测精度，为城市轨道交通的安全管理与运营组织决策提供更为准确的依据。

A dynamic forecasting method for short-term passenger flow of Urban Rail Transit

【技术实现步骤摘要】
一种城市轨道交通短期客流动态预测方法
本专利技术涉及城市轨道交通客流预测领域，尤其涉及适用于城市轨道交通短时客流动态预测方法。
技术介绍
随着社会和经济的迅猛发展及城市自动化水平的不断提高，人们的出行频率大幅度增加，城市轨道交通在多个国家及地区已发展成为承担交通重要任务、改善城市交通结构、缓解交通需求和供给矛盾的有力交通工具。随着网络化进程的推进及规模的扩大，城市轨道交通凸显出客运量不断增加、客流强度平稳增长、客运效果显著等特点，合理而准确地进行客流预测可为城市轨道交通的客流诱导、安全管理与运营组织提供辅助决策分析手段。城市轨道交通客流具有非线性、随机性、不确定性等特点，现有的预测方法多为静态的、确定性等，预测方法往往存在一定的不足与缺陷，导致短期客流预测精度较低。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提出一种动态的城市轨道交通短期客流预测方法。为达到以上目的，本专利技术采取的技术方案是：一种城市轨道交通短期客流动态预测方法，包括以下步骤：步骤A：划分预测时间区间，采用传统方法进行短期客流预测，并与实际客流数据进行对比，得出预测误差序列样本集{xi}；步骤B：采用逆向云发生器，建立预测误差序列的预测误差云模型，产生符合预测误差分布规律的预测误差云模型3个数字特征；步骤C：根据预测误差云模型的3个数字特征，采用正态云发生器，产生预测误差正态云滴分布图；步骤D：根据正态云滴分布，采用分位数原理计算客流预测不确定性区间的上限值和下限值；步骤E：根据不确定性区间，进行下一时刻客流预测。2、在上述方案的基础上，步骤A中，所述传统预测方法包括支持向量机、多元线性回归、深度学习、神经网络等常用预测方法。3、在上述方案的基础上，步骤B中，所述预测误差云模型的3个数字特征分别是期望(Ex)、熵(En)和超熵(He)，所述逆向云发生器的计算方法为：其中：为预测误差序列样本集{xi}的均值；n为样本个数；D2为二阶样本绝对中心矩阵；D4为四阶样本绝对中心矩阵；D2和D4的计算公式分别为：4、在上述方案的基础上，步骤C中，所述正态云发生器的计算过程为：(1)根据预测误差云模型的3个数字特征(Ex，En，He)，生成一个正态随机数z＝normrand(En,He)；(2)生成以Ex为期望值，z为方差的新的正态随机数ai＝normrand(Ex,z)；(3)计算ai的确定度(4)构造云滴，即使具有确定度bi的ai成为论域空间中的一个云滴(ai,bi)；(5)重复(1)～(4)m次，产生m个云滴。5、在上述方案的基础上，步骤D中，所述分位数原理指的是根据正态云滴分布情况计算给定置信水平下的云滴分位数和与之相对应的客流量可能发生波动的置信范围。本专利技术所述的一种城市轨道交通短期客流动态预测方法，具有以下有益效果：实现城市轨道交通短期客流预测的不确定性分析，提高短期客流预测精度，为城市轨道交通的安全管理与运营组织决策提供更为准确的依据。附图说明本专利技术有如下附图：图1本专利技术所述的一种城市轨道交通短期客流动态预测方法构建示意图；图2本专利技术所述的正态云发生器计算过程示意图。具体实施方式以下结合附图对本专利技术作进一步详细说明。如图1所示，本专利技术所述的一种城市轨道交通短期客流动态预测方法构建方法，包括如下步骤：步骤A：划分预测时间区间，采用传统方法进行短期客流预测，并与实际客流数据进行对比，得出预测误差序列样本集{xi}。其中所述传统预测方法包括支持向量机、多元线性回归、深度学习、神经网络等常用预测方法。步骤B：采用逆向云发生器，建立预测误差序列的预测误差云模型，产生符合预测误差分布规律的预测误差云模型3个数字特征。其中预测误差云模型的3个数字特征分别是期望(Ex)、熵(En)和超熵(He)，所述逆向云发生器的计算方法为：式中：为预测误差序列样本集{xi}的均值；n为样本个数；D2为二阶样本绝对中心矩阵；D4为四阶样本绝对中心矩阵；D2和D4的计算公式分别为：步骤C：根据预测误差云模型的3个数字特征，采用正态云发生器，产生预测误差正态云滴分布图。其中正态云发生器的计算过程如图2所示。步骤D：根据正态云滴分布，采用分位数原理计算客流预测不确定性区间的上限值和下限值。其中，分位数原理指的是根据正态云滴分布情况计算给定置信水平下的云滴分位数和与之相对应的客流量可能发生波动的置信范围。步骤E：根据不确定性区间，进行下一时刻客流预测。本专利技术所提出的一种城市轨道交通短期客流动态预测方法可实现城市轨道交通短期客流预测的不确定性分析，提高短期客流预测精度，为城市轨道交通的安全管理与运营组织决策提供更为准确的依据。以上所述，仅是本专利技术的较佳实例而已，并非对本专利技术作任何形式上的限制，本领域技术人员利用上述揭示的
技术实现思路
做出些许简单修改、等同变化或装饰，均落在本专利技术的保护范围内。本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。本文档来自技高网...

【技术保护点】
1.一种城市轨道交通短期客流动态预测方法，其特征在于，包括以下步骤：/n步骤A：划分预测时间区间，采用传统方法进行短期客流预测，并与实际客流数据进行对比，得出预测误差序列样本集{x

【技术特征摘要】
1.一种城市轨道交通短期客流动态预测方法，其特征在于，包括以下步骤：
步骤A：划分预测时间区间，采用传统方法进行短期客流预测，并与实际客流数据进行对比，得出预测误差序列样本集{xi}；
步骤B：采用逆向云发生器，建立预测误差序列的预测误差云模型，产生符合预测误差分布规律的预测误差云模型3个数字特征；
步骤C：根据预测误差云模型的3个数字特征，采用正态云发生器，产生预测误差正态云滴分布图；
步骤D：根据正态云滴分布，采用分位数原理计算客流预测不确定性区间的上限值和下限值；
步骤E：根据不确定性区间，进行下一时刻客流预测。


2.如权利要求1所述的一种城市轨道交通短期客流动态预测方法，其特征在于，步骤A中，所述传统预测方法包括支持向量机、多元线性回归、深度学习、神经网络等常用预测方法。


3.如权利要求1所述的一种城市轨道交通短期客流动态预测方法，其特征在于，步骤B中，所述预测误差云模型的3个数字特征分别是期望(Ex)、熵(En)和超熵(He)，所述逆向云发生器的计算方法为：

【专利技术属性】
技术研发人员：么艳香，解秀勋，国冬梅，常秀娟，刘岩，高艳玲，
申请(专利权)人：河北轨道运输职业技术学院，
类型：发明
国别省市：河北;13